单细胞多组学数据揭示了复杂的细胞状态，加深了我们对组织细胞表型和功能的理解。然而，由于数据的离散性和高噪声水平，以及缺乏模态，数据分析仍然具有挑战性。在这里，我们提出了scMultiNet，这是一个可以整合不同任务以分析单细胞多模态数据的多任务深度对抗神经网络。特别是，我们通过引入交叉模态双预测模块和多头自注意力模块，实现了多模态整合和交叉模态预测任务的联合训练。通过整合一个指标矩阵，进一步增强了数据去噪，该矩阵约束并精确重构原始表达值。广泛的模拟和真实数据实验表明，scMultiNet在降维、可视化、聚类、批次消除、数据去噪、多模态整合、单细胞交叉模态转换及揭示细胞特异性生物学见解方面优于现有的尖端方法。此外，我们证明了scMultiNet能够有效地将模态之间的复杂关系从一个批次转移到另一个批次。总之，scMultiNet作为一个全面的端到端框架，非常适合于分析单细胞多组学数据。
徐等人（孙）研究了这个问题。